深度学习论文阅读笔记(20)-PolarMask: Single Shot Instance Segmentation with Polar Representation

论文地址： https://arxiv.org/abs/1909.13226

将实例分割看做是一个回归问题。
极坐标相比于直角坐标有角度先验，可以固定角度，然后只预测距离。
相当于同一化了检测和分割。

实例的center使用mass center
center samples 是mass center周围的坐标

corner case:

• 射线有多个交点，使用最远的
• 射线没有焦点，，target设为minimum value \(10^{-6}\)

凹的，多交点，环形的，不能很好的处理，留在后续工作。（环形的这种corner case 也可以算出来一个最好的结果，可以用来看一下究竟达到了什么地步）

center ness 希望射线长度的极大值和极小值之间不要差距过大，否则会产生低质量的mask

\[Polar~ centerness = \sqrt{\frac{min(d_1,d_2,\cdots,d_n)}{max(d_1,d_2,\cdots,d_n)}} \]

Polar IoU loss

传统的loss不太适合

交集除以并集，
只能算近似

\[Polar~IoU~Loss = log{\frac{\sum~d_{max}}{\sum~d_{min}}} \]